[发明专利]一种目标库属性一维像判别最优本征子空间特征提取方法

说明书

本文公开了一种目标库属性一维像判别最优本征子空间特征提取方法。该方法首先利用所有库属目标的训练一维距离像样本数据建立一个最优本征子空间，抽取目标的最优特征，构建库属目标的特征描述库，对输入目标的库属性进行判别。该方法通过逐层优化建立最优本征子空间，能够更好地描述库属目标和非库属目标的区别信息，从而提高了目标库属性的判别性能。对4类目标的仿真实验验证了方法的有效性。

技术领域

本发明属于雷达目标识别技术领域，涉及一种目标库属性一维像判别最优本征子空间特征提取方法。

背景技术

目标一维距离像包含了有关目标的结构和形状的信息，相对于低分辩雷达而言，这些信息更有利于目标的分类，因此，基于一维距离像的目标识别成为了当前雷达目标识别的热点。

常规的模式识别方法是预先利用目标的训练样本数据集进行训练，建立目标的特征模板库，然后对参与了训练的目标输入数据进行识别，在输入目标与建库目标相同的情况下，许多基于一维距离像的识别方法都获得了良好的识别效果。然而，在实际中，对于飞机等非协作目标，很难一次性收集到所有目标的一维距离像数据以建立一个包含所有目标的特征模板征库，表明输入目标可能是没有参与训练的目标，即没有特征模板库，在这种情况下，常规一维距离像识别方法将会出现识别错误，降低对目标的识别性能。因此，在实际工程应用中，首先必须对输入目标的一维距离像进行判别，若输入目标被判别为库属目标，将采用常规一维距离像方法进行识别；若输入目标被判别为一个新目标，则在原有的特征模板库中增加一个该新目标的模板，以便下次对该目标进行识别。

常规的本征子空间目标库属性判别方法以输入目标一维距离像与特征模板库的欧氏距离作为识别统计量，与训练阶段确定的门限进行比较来判定输入目标的库属性。然而，常规本征子空间法提取的特征不是最优的，不能更好地描述库属目标的本质信息，增大了库属目标与非库属目标的特征交叠区域，导致误判率明显增加。

发明内容

针对上述问题，本发明提出一种目标库属性一维距离像判别中的最优本征子空间特征提取方法，通过对库属目标的训练一维距离像样本数据进行逐层分析，建立一个最优本征子空间，能够更好地描述库属目标的本质信息，减少了库属目标与非库属目标的特征交叠区域，因此，改善了对库属目标和非库属目标的判别率。

本发明的技术方案是，最优本征子空间特征提取方法：

设x_ij(n维列矢量)为第i^th类库属目标的第j^th个训练一维距离像,1≤i≤g，1≤j≤N_i，其中N_i为第i^th类库属目标的训练样本数，N为训练样本总数。利用训练数据集计算协方差矩阵C

对式(1)中的协方差矩阵进行本征分解，获取最大本征值λ_1,max对应的n维本征列向量v_1,max作为子空间变换矩阵中的第一根坐标轴a₁

a₁＝v_1,max(3)

设Q₁是n维空间中列向量v_1,max对应的n×(n-1)维正交补子空间矩阵，即

其中T表示向量的转置，0是元素全是零的向量。库属目标的训练样本向矩阵Q₁投影

其中为(n-1)维子空间中的向量，对所有库属目标的计算协方差矩阵C¹